Probabilistic graphical models (PGMs) are a rich framework for encoding probability distributions over complex domains: joint (multivariate) distributions over large numbers of random variables that interact with each other. These representations sit at the intersection of statistics and computer science, relying on concepts from probability theory, graph algorithms, machine learning, and more. They are the basis for the state-of-the-art methods in a wide variety of applications, such as medical diagnosis, image understanding, speech recognition, natural language processing, and many, many more. They are also a foundational tool in formulating many machine learning problems.
Этот курс входит в специализацию ''Специализация Графические вероятностные модели '
от партнера
Специализация Графические вероятностные модели Стэнфордский университетОб этом курсе
Недавно просмотрено: 13,940
Карьерные результаты учащихся
43%
начал новую карьеру, пройдя эти курсы
29%
получил значимые преимущества в карьере благодаря этому курсу
17%
стал больше зарабатывать или получил повышение
Сертификат, ссылками на который можно делиться с другими людьми
Получите сертификат по завершении
100% онлайн
Начните сейчас и учитесь по собственному графику.
Курс 3 из 3 в программе
Гибкие сроки
Назначьте сроки сдачи в соответствии со своим графиком.
Продвинутый уровень
Прибл. 66 часов на выполнение
Английский
Субтитры: Французский, Португальский (Европа), Русский, Английский, Испанский
Приобретаемые навыки
AlgorithmsExpectation–Maximization (EM) AlgorithmGraphical ModelMarkov Random Field
Карьерные результаты учащихся
43%
начал новую карьеру, пройдя эти курсы
29%
получил значимые преимущества в карьере благодаря этому курсу
17%
стал больше зарабатывать или получил повышение
Сертификат, ссылками на который можно делиться с другими людьми
Получите сертификат по завершении
100% онлайн
Начните сейчас и учитесь по собственному графику.
Курс 3 из 3 в программе
Гибкие сроки
Назначьте сроки сдачи в соответствии со своим графиком.
Продвинутый уровень
Прибл. 66 часов на выполнение
Английский
Субтитры: Французский, Португальский (Европа), Русский, Английский, Испанский
от партнера
Стэнфордский университет
The Leland Stanford Junior University, commonly referred to as Stanford University or Stanford, is an American private research university located in Stanford, California on an 8,180-acre (3,310 ha) campus near Palo Alto, California, United States.
Программа курса: что вы изучите
16 минут на завершение
Learning: Overview
This module presents some of the learning tasks for probabilistic graphical models that we will tackle in this course.
16 минут на завершение
1 видео ((всего 16 мин.))
1 видео
Learning: Overview15мин
1 ч. на завершение
Review of Machine Learning Concepts from Prof. Andrew Ng's Machine Learning Class (Optional)
This module contains some basic concepts from the general framework of machine learning, taken from Professor Andrew Ng's Stanford class offered on Coursera. Many of these concepts are highly relevant to the problems we'll tackle in this course.
1 ч. на завершение
6 видео ((всего 59 мин.))
6 видео
Regularization: Cost Function 10мин
Evaluating a Hypothesis 7мин
Model Selection and Train Validation Test Sets 12мин
Diagnosing Bias vs Variance 7мин
Regularization and Bias Variance11мин
2 ч. на завершение
Parameter Estimation in Bayesian Networks
This module discusses the simples and most basic of the learning problems in probabilistic graphical models: that of parameter estimation in a Bayesian network. We discuss maximum likelihood estimation, and the issues with it. We then discuss Bayesian estimation and how it can ameliorate these problems.
2 ч. на завершение
5 видео ((всего 77 мин.))
5 видео
Maximum Likelihood Estimation for Bayesian Networks15мин
Bayesian Estimation15мин
Bayesian Prediction13мин
Bayesian Estimation for Bayesian Networks17мин
2 практических упражнения
Learning in Parametric Models30мин
Bayesian Priors for BNs30мин
21 ч. на завершение
Learning Undirected Models
In this module, we discuss the parameter estimation problem for Markov networks - undirected graphical models. This task is considerably more complex, both conceptually and computationally, than parameter estimation for Bayesian networks, due to the issues presented by the global partition function.
21 ч. на завершение
3 видео ((всего 52 мин.))
3 видео
Maximum Likelihood for Conditional Random Fields13мин
MAP Estimation for MRFs and CRFs9мин
1 практическое упражнение
Parameter Estimation in MNs30мин
18 ч. на завершение
Learning BN Structure
This module discusses the problem of learning the structure of Bayesian networks. We first discuss how this problem can be formulated as an optimization problem over a space of graph structures, and what are good ways to score different structures so as to trade off fit to data and model complexity. We then talk about how the optimization problem can be solved: exactly in a few cases, approximately in most others.
18 ч. на завершение
7 видео ((всего 106 мин.))
7 видео
Likelihood Scores16мин
BIC and Asymptotic Consistency11мин
Bayesian Scores20мин
Learning Tree Structured Networks12мин
Learning General Graphs: Heuristic Search23мин
Learning General Graphs: Search and Decomposability15мин
2 практических упражнения
Structure Scores30мин
Tree Learning and Hill Climbing30мин
22 ч. на завершение
Learning BNs with Incomplete Data
In this module, we discuss the problem of learning models in cases where some of the variables in some of the data cases are not fully observed. We discuss why this situation is considerably more complex than the fully observable case. We then present the Expectation Maximization (EM) algorithm, which is used in a wide variety of problems.
22 ч. на завершение
5 видео ((всего 83 мин.))
5 видео
Expectation Maximization - Intro16мин
Analysis of EM Algorithm11мин
EM in Practice11мин
Latent Variables22мин
2 практических упражнения
Learning with Incomplete Data30мин
Expectation Maximization30мин
Рецензии
Лучшие отзывы о курсе PROBABILISTIC GRAPHICAL MODELS 3: LEARNING
от партнера SP11 окт. 2020 г.
An amazing course! The assignments and quizzes can be insanely difficult espceially towards the conclusion.. Requires textbook reading and relistening to lectures to gather the nuances.
от партнера LL29 янв. 2018 г.
very good course for PGM learning and concept for machine learning programming. Just some description for quiz of final exam is somehow unclear, which lead to a little bit confusing.
от партнера ZZ13 февр. 2017 г.
Great course! Very informative course videos and challenging yet rewarding programming assignments. Hope that the mentors can be more helpful in timely responding for questions.
от партнера MV29 апр. 2020 г.
Great course, especially the programming assignments. Textbook is pretty much necessary for some quizzes, definitely for the final one.
Специализация Графические вероятностные модели : общие сведения
Probabilistic graphical models (PGMs) are a rich framework for encoding probability distributions over complex domains: joint (multivariate) distributions over large numbers of random variables that interact with each other. These representations sit at the intersection of statistics and computer science, relying on concepts from probability theory, graph algorithms, machine learning, and more. They are the basis for the state-of-the-art methods in a wide variety of applications, such as medical diagnosis, image understanding, speech recognition, natural language processing, and many, many more. They are also a foundational tool in formulating many machine learning problems.
Часто задаваемые вопросы
Когда я получу доступ к лекциям и заданиям?
Что я получу, оформив подписку на специализацию?
Is financial aid available?
Learning Outcomes: By the end of this course, you will be able to
Получу ли я зачеты в университете за прохождение курса?
Остались вопросы? Посетите Центр поддержки учащихся.
